JP4875010B2

JP4875010B2 - 運動クラス類別装置及び追尾処理装置

Info

Publication number: JP4875010B2
Application number: JP2008046308A
Authority: JP
Inventors: 英俊古川
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2008-02-27
Filing date: 2008-02-27
Publication date: 2012-02-15
Anticipated expiration: 2028-02-27
Also published as: JP2009204418A

Description

本発明は、運動クラス類別装置及び追尾処理装置に係り、特に、運動クラスの異なる複数の追尾フィルタを備え、それぞれにフィルタ処理して得た、目標の観測値に対する平滑値及び運動クラスに対する尤度を用いて、目標の運動クラスに関する類別情報を得る運動クラス類別装置、及び類別情報に基づき各追尾フィルタからの平滑値を統合する追尾処理装置に関する。

レーダシステム等により捕捉した目標の動きを継続して観測し、その位置情報を含む各種目標情報に対して平滑化や予測処理等を行なう追尾処理装置が知られている（例えば、非特許文献１参照。）。追尾処理においては、追尾フィルタを構成して目標情報の平滑化及び予測等の処理を行なう。この種の追尾フィルタは、例えば対象とする目標の運動クラスや目標を観測する運用環境等に適合させてその処理アルゴリズムやパラメータ設定は種々に選択・構成されるとともに、フィルタ処理結果としての追尾情報に対してさらに後段の処理を加え、追尾処理装置として所期の追尾性能を維持するように構成されることもある。また、運動クラスの異なる複数の追尾フィルタを用い、それぞれの追尾フィルタから追尾情報のひとつとして出力される尤度情報に基づいて目標の運動クラスを類別しつつ、この類別結果により複数の追尾フィルタからの平滑位置等の追尾情報を統合するように構成された追尾処理装置の事例も開示されている。

図９は、このように構成された、従来の目標の運動クラスを類別する運動クラス類別装置を備えた追尾処理装置の一例を示すブロック図である。この図９に例示した従来の追尾処理装置５は、観測値を運動クラスの異なる複数の追尾フィルタで処理したそれぞれの尤度に基づき目標の運動クラスを類別する運動クラス類別装置６、及びその類別結果に基づき複数の追尾フィルタからの平滑ベクトルを統合する追尾情報統合部７０から構成されている。

まず、運動クラス類別装置６は、異なる運動クラスに対応づけて設けられた追尾フィルタとしての複数Ｓ個のクラスフィルタ６１１〜６１Ｓを備えた目標追尾部６１、及びこれらクラスフィルタ６１１〜６１Ｓから出力される、目標のそれぞれの運動クラスに対する尤度に基づいてそれらのクラス確率及び目標の運動クラスの類別結果を出力する目標類別部６２から構成されている。目標追尾部６１のＳ個の各クラスフィルタはそれぞれ次のように構成されている。すなわち、クラスｃ（１≦ｃ≦Ｓ）のクラスフィルタは、ｒ（ｃ）個のモードに対応する運動モデルを有し、これら運動モデル毎に対応する運動パラメータｕ（ｃ、ｍ）（ただし、ｍは１〜ｒ（ｃ））が設定されている。そして、これら運動パラメータを含むフィルタパラメータの設定によりそれぞれのクラスフィルタが１つの運動クラスに対応付けられるように構成されている。

より具体的な構成や設定等の事例として、目標追尾部６１のクラスフィルタを２個（Ｓ＝２）とし、その運動クラスをクラスフィルタ６１１は低機動運動に、クラスフィルタ６１２は高機動運動にそれぞれ対応づけた場合について以下に記述する。この場合、それぞれのクラスフィルタの運動モデルの数を、例えばいずれも３（ｒ（１）＝ｒ（２）＝３）とし、その運動モデルを、例えば等速直線運動（ｍ＝１）、右旋回運動（ｍ＝２）、及び左旋回運動（ｍ＝３）の３つとする。また、運動モデルの加速度を運動パラメータとして、それぞれのクラスフィルタ毎に運動クラスに対応づけてそのパラメータ値を設定する。例えば、クラスフィルタ６１１には、等速直線運動の加速度パラメータｕ（１、１）＝０Ｇ、右旋回運動の加速度パラメータｕ（１、２）＝＋１Ｇ、及び左旋回運動の加速度パラメータｕ（１、３）＝−１Ｇをフィルタパラメータとして設定し、その運動クラスとして低機動運動に対応づける。一方、クラスフィルタ６１２には、等速直線運動の加速度パラメータｕ（２、１）＝０Ｇ、右旋回運動の加速度パラメータｕ（２、２）＝＋５Ｇ、及び左旋回運動の加速度パラメータｕ（２、３）＝−５Ｇをフィルタパラメータとして設定することによって、その運動クラスを高機動運動に対応づける。このようにして、この事例では、クラスフィルタ６１１はフィルタパラメータを（０Ｇ、＋１Ｇ、−１Ｇ）として目標の低機動運動に、またクラスフィルタ６１２はフィルタパラメータを（０Ｇ、＋５Ｇ、−５Ｇ）として目標の高機動運動にそれぞれ適合した追尾フィルタとして構成されることになる。

また、クラスｃ（１≦ｃ≦Ｓ）のクラスフィルタは、レーダシステム等からの観測ｋ回目の観測ベクトルＹ（ｋ）を入力してフィルタ処理を行ない、それぞれに観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）、及びクラス尤度Ｌ（ｃ、ｋ）を算出し出力する。算出処理はクラスフィルタを構成するフィルタアルゴリズムによって異なるが、一例としてクラスフィルタにＩＭＭ（ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌ）フィルタを用いた場合は、それぞれ次式により算出される。

ここに、Ｘ（ｃ、ｉ、ｋ｜ｋ）は、クラスｃ、モードｉ、観測ｋ回目のモード平滑ベクトルである。μ（ｃ、ｉ、ｋ）は、クラスｃ、モードｉ、観測ｋ回目のモード確率である。Ｌ（ｃ、ｉ、ｋ）は、クラスｃ、モードｉ、観測ｋ回目のモード尤度を表す。

目標類別部６２は、目標追尾部６１のＳ個のクラスフィルタのそれぞれから出力されるクラスｃの観測ｋ回目のクラス尤度Ｌ（ｃ、ｋ）に基づき、クラスｃの観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）、及び観測ｋ回目における目標の運動クラスの類別結果を出力する。クラスｃの観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）は、以下の式で算出される。

また、各クラス毎に算出されたクラス確率は、それぞれの運動クラスに対する確率に対応しているので、目標類別部６２は、これら算出したクラス確率の値に基づき目標の運動クラスを類別しその結果を出力する。

一方、追尾情報統合部７０は、複数のクラスフィルタからの平滑ベクトルをひとつに統合する手法としては、例えば、それぞれのクラス平滑ベクトルを目標類別部６２にて算出された、対応するクラス確率により重み付け加算する手法があり、以下の式で算出される。

次に、図９の運動クラス類別装置６及び追尾処理装置５の動作について、信号処理の流れに沿って説明する。なお、目標追尾部６１のクラスフィルタとしては、上述の事例のように、フィルタアルゴリズムをＩＭＭフィルタとし、運動クラスとして目標の低機動運動に適合したクラスフィルタ６１１、及び高機動運動に適合したクラスフィルタ６１２の２個のクラスフィルタを備えているものとしている。

まず、レーダシステム等（図示せず）により観測された目標の観測ベクトルが逐次送られてくると、各クラスフィルタ６１１及び６１２において、パラメータ設定された処理アルゴリズムに従って、式（１）及び式（２）により、ｋ回目の観測毎にそれぞれクラス平滑ベクトルＸ（１、ｋ｜ｋ）、及びＸ（２、ｋ｜ｋ）、ならびにクラス尤度Ｌ（１、ｋ）及びＬ（２、ｋ）が算出される。算出された２つのクラス尤度Ｌ（１、ｋ）及びＬ（２、ｋ）は目標類別部６２に送出されると、目標類別部６２においては、式（３）に従ってこれら２つのクラス尤度からｋ回目の観測におけるクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）が算出される。これらのクラス確率は、観測ベクトルがそれぞれの運動クラス、すなわち低機動運動、または高機動運動に適合する確率に相当する。そして、例えば算出されたクラス確率の値の大小関係等に基づき最も適合する運動クラスが判定され、運動クラス類別結果として目標類別部６２から後段に送出されるとともに、算出されたクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）は、目標情報統合部７０にも送出される。

一方、目標情報統合部７０においては、運動クラスの異なる２つのクラスフィルタ６１１及び６１２からのクラス平滑ベクトルＸ（１、ｋ｜ｋ）、及びＸ（２、ｋ｜ｋ）が、目標類別部６２にて算出されたそれぞれのクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）に基づき重み付けされて目標の運動クラスに適合するように統合され、統合平滑ベクトルＸ（ｋ｜ｋ）となって後段に出力される。

このように、図９の追尾処理装置５においては、運動クラスの異なる追尾フィルタとしてのクラスフィルタ６１１及び６１２にてフィルタ処理したそれぞれのクラス尤度に基づいて観測した目標の運動クラスをクラス確率により類別する運動クラス類別装置６を有し、これらクラス確率を用いてそれぞれのクラスフィルタ６１１及び６１２からのクラス平滑ベクトルを統合することにより、観測ｋ回目の追尾処理結果を目標の運動クラスに適合した確かなものとしている。

なお、上述した構成等については、例えば、非特許文献２、非特許文献３等に関連する技術が開示されている。
吉田孝監修「改訂レーダ技術」電子情報通信学会、平成８年１０月１日、Ｐ．２６４−２６７Ｄ．ＡｎｇｅｌｏｖａａｎｄＬ．Ｍｉｈａｙｌｏｖａ，"ＳｅｑｕｅｎｔｉａｌＭｏｎｔｅＣａｒｌｏＡｌｇｏｒｉｔｈｍｓｆｏｒＪｏｉｎｔＴａｒｇｅｔＴｒａｃｋｉｎｇａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎＵｓｉｎｇＫｉｎｅｍａｔｉｃＲａｄａｒＩｎｆｏｒｍａｔｉｏｎ" Ｐｒｏｃ．ｏｆｔｈｅ７ｔｈＩｎｔｌ．Ｃｏｎｆ．ｏｎＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ、Ｓｔｏｃｋｈｏｌｍ、Ｓｗｅｄｅｎ、２００４Ｓ．ＣｈａｌｌａａｎｄＧ．Ｗ．Ｐｕｌｆｏｒｄ，"ＪｏｉｎｔＴａｒｇｅｔＴｒａｃｋｉｎｇａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎＵｓｉｎｇＲａｄａｒａｎｄＥＳＭＳｅｎｓｏｒｓ" ＩＥＥＥＴｒａｎｓ．ＡＥＳ，ｖｏｌ３７，ｎｏ．３，Ｊｕｌｙ２００１

ところで、レーダシステム等から追尾処理装置５、または運動クラス類別装置６に送られてくる観測ベクトルには、観測中のノイズ等を含む種々の要因により、観測誤差が含まれる。このため、目標追尾部６１内のそれぞれのクラスフィルタで式（２）を用いて算出されるクラス尤度Ｌ（ｃ、ｋ）も、それぞれにこれら観測誤差の影響を受け、後段での運動クラス類別時の誤差要因となる。さらに、観測誤差の影響を受けたクラス尤度Ｌ（ｃ、ｋ）が目標類別部６２に入力されると、目標類別部６２では式（３）のように再帰的な処理によりクラス確率が算出されるために前段からの観測誤差が累積され、クラス確率の算出結果に正確さを欠くという課題があった。

本発明は上述の事情を考慮してなされたものであり、運動クラスの異なる複数の追尾フィルタのフィルタ処理結果に含まれる観測誤差の影響を低減して、目標の運動クラスに関する類別情報の確度を向上させた運動クラス類別装置、及びこの類別情報を用いて目標の追尾情報の確度を向上させた追尾処理装置を提供することを目的とする。

上記目的を達成するために、本発明の運動クラス類別装置は、複数の運動モデルを有する追尾フィルタに対してこれら運動モデルのパラメータ設定範囲の異なるサブセットをそれぞれ異なる運動クラスに対応させ、これら異なる運動クラス毎に設けられた複数の追尾フィルタにより算出されるそれぞれの運動クラスに対する尤度に基づき目標の運動クラスを類別する運動クラス類別装置において、前記運動クラスに対応させて設けられ、それぞれに目標の観測値に対するフィルタ処理を行なって運動クラスに対する尤度及び平滑ベクトルを含む追尾情報を出力する複数の追尾フィルタと、これら追尾フィルタからの前記各運動クラスに対する尤度を観測時刻に沿って時系列に記憶する尤度記憶部と、この尤度記憶部に記憶された時系列の前記各運動クラスに対する尤度に基づき最新の観測時刻における前記各運動クラスに対する尤度を分析し分析尤度として出力する尤度分析部と、この尤度分析部からの分析尤度に基づき前記目標の運動が前記運動クラスのそれぞれに合致するクラス確率を前記各運動クラス毎に算出するとともに、これらクラス確率に基づき前記目標の運動クラスを類別する目標類別部とを有することを特徴とする。

また、本発明の追尾処理装置は、上記の運動クラス類別装置に加え、前記複数の追尾フィルタからの平滑ベクトルのそれぞれを前記目標類別部で算出された対応するクラス確率により重み付け加算し、統合平滑ベクトルとして出力する追尾情報統合部を備えたことを特徴とする。

本発明によれば、運動クラスの異なる複数の追尾フィルタのフィルタ処理結果に含まれる観測誤差の影響を低減することができ、目標の運動クラスに関する類別情報の確度を向上させた運動クラス類別装置、及びこの類別情報を用いて目標の追尾情報の確度を向上させた追尾処理装置を得ることができる。

以下に、本発明に係る運動クラス類別装置及び追尾処理装置を実施するための最良の形態について、図１乃至図８を参照して説明する。なお、図９に例示した従来の運動クラス類別装置６及び追尾処理装置５と同一の構成には同一符号を付して詳細な説明は省略する。

図１は、本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第１の実施例の構成を示すブロック図である。まず、運動クラス類別装置について説明する。

この図１に例示した運動クラス類別装置２は、目標追尾部６１、尤度記憶部２１、尤度分析部２２、及び目標類別部６２から構成されている。目標追尾部６１は、図９に例示した目標追尾部６１と同一に構成されており、異なる運動クラスに対応づけて設けられた追尾フィルタとしての複数Ｓ個のクラスフィルタ６１１〜６１Ｓを備えている。これらＳ個の各クラスフィルタはそれぞれ次のように構成されている。すなわち、クラスｃ（１≦ｃ≦Ｓ）のクラスフィルタは、ｒ（ｃ）個のモードに対応する運動モデルを有し、これら運動モデル毎に対応する運動パラメータｕ（ｃ、ｍ）（ただし、ｍは１〜ｒ（ｃ））が設定されている。そして、これら運動パラメータを含むフィルタパラメータの設定によりそれぞれのクラスフィルタが１つの運動クラスに対応づけられるように構成されている。

また、これらクラスフィルタには、そのフィルタ処理アルゴリズムとして、例えばＩＭＭ（ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌ）フィルタ等が用いられ、レーダシステム等（図示せず）からの観測ｋ回目の観測ベクトルＹ（ｋ）を入力してフィルタ処理を行ない、それぞれに観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）、及びクラス尤度Ｌ（ｃ、ｋ）（ただし、１≦ｃ≦Ｓ）を算出し、これらを追尾情報として出力する。ここで算出されたクラス尤度Ｌ（ｃ、ｋ）は、観測ベクトルＹ（ｋ）がそれぞれのクラスフィルタに運動モデルのパラメータ値として設定された運動クラスに適合するとされる尤度である。

尤度記憶部２１は、目標追尾部６１内の各クラスフィルタ６１１〜６１Ｓからのクラス尤度Ｌ（ｃ、ｋ）を、観測時刻に沿って観測回数順に時系列に記憶する。本実施例においては、尤度記憶部２１は、最新の観測であるｋ回目から遡ってあらかじめ設定された所定の回数ｎ回分の観測に対するクラス尤度を時系列に記憶するものとしている。

尤度分析部２２は、尤度記憶部２１に記憶された時系列のクラス尤度に基づき最新の観測ｋ回目におけるクラス尤度Ｌ（ｃ、ｋ）を分析し、その結果を最新の観測ｋ回目における分析尤度Ｌ２（ｃ、ｋ）として出力する。本実施例においては、分析尤度Ｌ２（ｃ、ｋ）を得るにあたって、尤度記憶部２１の記憶内容を参照し、いずれかのクラスフィルタからのクラス尤度が所定の回数ｍ回、連続してあらかじめ設定されたしきい値Ｌ_ＴＨ（ｃ）を超えた場合には、各クラスフィルタからのクラス尤度Ｌ（ｃ、ｋ）をそのまま分析尤度Ｌ２（ｃ、ｋ）として出力し、それ以外の場合には、あらかじめ設定された固定値を分析尤度Ｌ２（ｃ、ｋ）として出力するように構成されているものとしている。

目標類別部６２は、図９に例示した目標類別部６２と同一に構成されており、尤度分析部２２で分析後の分析尤度Ｌ２（ｃ、ｋ）に基づき、それぞれの運動クラスに対応した観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）、及び観測ｋ回目における目標の運動クラスの類別結果を算出し出力する。

次に、追尾処理装置について説明する。この図１に例示した追尾処理装置１は、上述の運動クラス類別装置２、及び追尾情報統合部７０から構成されている。運動クラス類別装置２は、上述したように、運動クラスの異なる追尾フィルタである複数のクラスフィルタを備え、観測ベクトルをフィルタ処理してクラス平滑ベクトルを得るとともに、目標のクラス確率を算出してその運動クラスを類別する。追尾情報統合部７０は、図９に例示した追尾情報統合部７０と同一に構成されており、運動クラス類別装置２から出力される観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）を、観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）により重み付け加算して統合し、統合平滑ベクトルＸ（ｋ｜ｋ）として出力する。

次に、前出の図１、ならびに図２のフローチャート及び図３乃至図５の説明図を参照して、上述のように構成された本実施例の運動クラス類別装置を含む追尾処理装置の動作について説明する。なお、以下の説明においては、運動クラス類別装置２の目標追尾部６１内のクラスフィルタは、クラスフィルタ６１１、及びクラスフィルタ６１２の２個として、いずれもＩＭＭ（ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌ）フィルタ処理アルゴリズムを備え、それぞれのクラスフィルタのフィルタパラメータには前出の図９で説明した運動パラメータが設定されているものとしている。すなわち、クラスフィルタ６１１は、運動クラスとして目標の低機動運動に適合したクラスフィルタ、またクラスフィルタ６１２は、運動クラスとして高機動運動に適合したクラスフィルタとしてそれぞれ構成されているものとして説明する。

図２は、図１に例示した本発明に係る運動クラス類別装置２を含む追尾処理装置１の第１の実施例の動作を説明するためのフローチャートである。まず、観測ｋ回目における観測ベクトルＹ（ｋ）が入力されると、この観測ベクトルＹ（ｋ）は、目標追尾部６１に送られる（ＳＴ２０１）。目標追尾部６１では、内部の２つのクラスフィルタ６１１及び６１２において、それぞれに観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）が算出される。クラス平滑ベクトルは式（１）により算出され、低機動運動クラスのクラスフィルタ６１１からはクラス平滑ベクトルＸ（１、ｋ｜ｋ）が、また、高機動運動クラスのクラスフィルタ６１２からはクラス平滑ベクトルＸ（２、ｋ｜ｋ）がそれぞれに算出されて、追尾情報統合部７０に送出される（ＳＴ２０２）。あわせて、クラスフィルタ６１１及び６１２において、クラス尤度Ｌ（ｃ、ｋ）も算出される。クラス尤度は式（２）により算出され、クラスフィルタ６１１からは低機動運動クラスに対するクラス尤度Ｌ（１、ｋ）が、またクラスフィルタ６１２からは高機動運動クラスに対するクラス尤度Ｌ（２、ｋ）がそれぞれに算出され、尤度記憶部２１及び尤度分析２２に送出される（ＳＴ２０３）。

尤度記憶部２１には、クラスフィルタ６１１及び６１２から送られてきた、直前の観測である（ｋ−１）回目までのクラス尤度が観測回数ｎ回分、時系列に記憶されており、これにそれぞれのクラスフィルタから観測ｋ回目のクラス尤度Ｌ（ｃ、ｋ）が新たに送られてくると、その記憶内容は更新される。すなわち、その内容は、｛Ｌ（ｃ、ｋ−ｎ）、Ｌ（ｃ、ｋ−ｎ＋１）、・・・・、Ｌ（ｃ、ｋ−１）、Ｌ（ｃ、ｋ）｝と表記されるものとなる。なお、ｃ＝１はクラスフィルタ６１１からの低機動運動クラスに対するクラス尤度、ｃ＝２はクラスフィルタ６１２からの高機動運動クラスに対するクラス尤度である（ＳＴ２０４）。

尤度分析部２２は、これら尤度記憶部２１に時系列に記憶された各クラスフィルタからのクラス尤度に基づき最新の観測ｋ回目におけるＬ（ｃ、ｋ）を分析し、その結果を分析尤度Ｌ２（ｃ、ｋ）として出力する。ここで、ある種の機動運動を行なっている目標を観測した場合、この機動運動に適合した運動クラスのクラス尤度が時間的に連続して高くなる可能性が高く、単発的な観測誤差等による場合は、このような可能性は低くなると考えられる。従って、尤度記憶部２１の記憶内容を参照し、複数の運動クラスの中の少なくとも１つの運動クラスに対するクラス尤度が直前のｍ回連続してあらかじめ設定されたしきい値Ｌ_ＴＨ（ｃ）を超えた場合、目標の機動運動が観測されたものとして、各クラスフィルタからのクラス尤度Ｌ（ｃ、ｋ）をそのまま分析尤度Ｌ２（ｃ、ｋ）として出力する。一方、上記以外の場合には、目標の機動運動は観測されなかったものとして、あらかじめ設定された固定値を分析尤度Ｌ２（ｃ、ｋ）として出力する。

この分析時の、クラス尤度Ｌ（ｃ、ｋ）、分析尤度Ｌ２（ｃ、ｋ）及び尤度記憶部２１の記憶内容の関係をモデル化して図３に例示する。この事例では、尤度記憶部２１の記憶内容として、最新の観測であるｋ回目の値を含め、時系列に７回分の値を例示している。また、簡単のため連続回数ｍを２回、しきい値Ｌ_ＴＨ（ｃ）をいずれも０．６７、あらかじめ設定された分析尤度の固定値を０．５とした場合を示している。最新の観測であるｋ回目においては、クラスフィルタ６１１からのクラス尤度Ｌ（１、ｋ）は、直前のｋ−１回目のクラス尤度Ｌ（１、ｋ−１）とともに２回連続してしきい値を超えている。クラスフィルタ６１２からのクラス尤度Ｌ（２、ｋ）は、しきい値を超えて居らず、その直前のＬ（２、ｋ−１）もしきい値を超えていない。従って、ｋ回目の観測においては、クラスフィルタ６１１からのクラス尤度が２回連続してしきい値を超えているので（ＳＴ２０５のＹ）、分析尤度Ｌ２としては、それぞれのクラスフィルタからの観測ｋ回目のクラス尤度［Ｌ（１、ｋ）、Ｌ（２、ｋ）］が出力されることになる。また、直前のｋ−１回目の観測においても、同様にそのときのそれぞれのクラスフィルタからのクラス尤度［Ｌ（１、ｋ−１）Ｌ（２、ｋ−１）］が出力される（ＳＴ２０６）。

一方、例えば、ｋ−２回目の観測においては、クラスフィルタ６１１からのクラス尤度Ｌ（１、ｋ−２）はしきい値を超えているが、その直前のクラス尤度Ｌ（１、ｋ−３）はしきい値を超えていない。また、クラスフィルタ６１２からのクラス尤度Ｌ（２、ｋ−２）は、しきい値を超えて居らず、その直前のＬ（２、ｋ−３）もしきい値を超えていない。従って、いずれのクラスフィルタからのクラス尤度とも、２回連続してしきい値を超えていないので（ＳＴ２０５のＮ）、この時の分析尤度Ｌ２（ｃ、ｋ−２）としては、あらかじめ設定された値として、［０．５、０．５］が出力される（ＳＴ２０７）。そして、これらの分析尤度Ｌ２は、目標類別部６２に送出される。

目標類別部６２では、これら尤度分析部２２からの分析尤度Ｌ２（ｃ、ｋ）に基づいて、クラス確率Ｐ（ｃ、ｋ）が算出される。本実施例においては、低機動運動クラスのクラス確率Ｐ（１、ｋ）、及び高機動運動クラスのクラス確率Ｐ（２、ｋ）が、それぞれ式（３）に基づき次式により算出される。

このようにして算出されたクラス確率のシミュレーション結果の一例を図４及び図５に例示する。これらは、いずれも尤度分析部２２でのしきい値Ｌ_ＴＨ（ｃ）を０．６７、連続回数ｍを２回とした場合の高機動運動クラスのクラス確率Ｐ（２、ｋ）を示しており、図４は目標が機動運動を行なっていない場合、図５は、目標が機動運動として２０秒毎に３秒間、１Ｇおきに１Ｇから５Ｇまでの加速度運動を行なった場合を、それぞれ従来例とともに描いたものである。図４においては、目標が機動運動を行なっていないにもかかわらず、従来例の場合にはクラス確率が上昇しているのに対し、本実施例の場合にはこれが改善され、あまり上昇していない。また図５においては、従来例の場合には目標が高機動運動クラスに達しない２Ｇ加速（４０秒）前に、すでにこのクラス確率が０．９を超えている。これに対し、本実施例の場合には、２Ｇ加速（４０秒）前にはあまり上昇せず、その後に大幅に上昇しており、目標の運動クラス（この場合は高機動運動クラス）と良好に対応したものとなっている（ＳＴ２０８）。

このように、式（５）及び式（６）により算出されたクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）は、観測ベクトルがそれぞれ低機動運動クラス、及び高機動運動クラスに適合する確率に相当する。目標類別部６２では、さらにこれら算出されたクラス確率を用いて、観測ベクトルを最も適合する運動クラスに対応づける、運動クラスの類別が行なわれる。類別にあたっては、例えば、それぞれの運動クラスに対応させて、あらかじめクラス確率に対するしきい値Ｐ_ＴＨ（ｃ）を設定しておき、このしきい値を超えた場合に該当する運動クラスに類別するといった手法等が適用できる。この手法を本実施例に適用すると、低機動運動クラスのクラス確率Ｐ（１、ｋ）がしきい値Ｐ_ＴＨ（１）を超えた場合には低機動運動クラスとして、一方、高機動運動クラスのクラス確率Ｐ（２、ｋ）がしきい値Ｐ_ＴＨ（２）を超えた場合には高機動運動クラスとしてそれぞれ類別される。そして、この運動クラス類別結果は、クラス確率とともに目標の運動クラスに関する類別情報として運動クラス類別装置２から後段の機器等（図示せず）に向け出力されるとともに、クラス確率は追尾情報統合部７０に送出される（ＳＴ２０９）。

目標情報統合部７０では、運動クラスの異なる２つのクラスフィルタ６１１及び６１２からのクラス平滑ベクトルＸ（１、ｋ｜ｋ）、及びＸ（２、ｋ｜ｋ）が、目標類別部６２にて算出されたそれぞれのクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）に基づき重み付けされて統合され、統合平滑ベクトルＸ（ｋ｜ｋ）が算出される。本実施例においては、統合平滑ベクトルは、式（４）に基づき次式により算出される。

３次元空間の追尾を行なう場合、目標追尾部６１からのクラス平滑ベクトルは、例えば、ｘ、ｙ、及びｚの３軸それぞれについての平滑位置及び平滑速度を含んでおり、目標情報統合部７０で統合後の統合平滑ベクトルＸ（ｋ｜ｋ）も同様に、ｘ、ｙ、及びｚの３軸それぞれについて、統合された平滑位置及び平滑速度を含んでいる。すなわち、この場合には、［ｐｘ（ｋ｜ｋ）、ｐｙ（ｋ｜ｋ）、ｐｚ（ｋ｜ｋ）、ｖｘ（ｋ｜ｋ）、ｖｙ（ｋ｜ｋ）、ｖｚ（ｋ｜ｋ）］と表記される。ただし、ｐｘ（ｋ｜ｋ）、ｐｙ（ｋ｜ｋ）、ｐｚ（ｋ｜ｋ）は、それぞれｘ軸、ｙ軸、ｚ軸の統合平滑位置、ｖｘ（ｋ｜ｋ）、ｖｙ（ｋ｜ｋ）、ｖｚ（ｋ｜ｋ）は、それぞれｘ軸、ｙ軸、ｚ軸の統合平滑速度を示す（ＳＴ２１０）。そして、この後は、動作の終了が指示されるまで、上記したＳＴ２０１からの動作ステップが繰り返される（ＳＴ２１１）。

以上説明したように、本実施例の運動クラス類別装置においては、異なる運動クラス毎に設けられた複数のクラスフィルタにより観測ベクトルをフィルタ処理したクラス尤度を時系列に記憶しておき、最新の観測におけるクラス尤度を分析して分析尤度を導出する際は、この時系列の記憶内容を参照していずれかのクラス尤度が時間的に連続して所定のしきい値を超えた場合には各クラスフィルタで算出したクラス尤度を、またそれ以外の場合には所定の固定値を採用し出力している。これにより、時間的に連続しないような観測誤差等がクラス尤度に与える影響を低減することができるとともに、さらにその後段でのクラス確率算出時における誤差の累積が起こりにくくなってクラス確率の精度が向上するので、目標の運動クラスの類別結果をより確かなものにすることができる。

また、本実施例の追尾処理装置においては、このような運動クラス類別装置からの良好な精度のクラス確率を用いて各クラスフィルタからのクラス平滑ベクトルを統合し、目標の追尾情報としての統合平滑ベクトルを得ているので、その確度を向上させることができる。

図６は、本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第２の実施例の構成を示すブロック図である。また、図８は、その動作を説明するためのフローチャートである。この第２の実施例について、図１乃至図３に示す第１の実施例の各部と同一の部分は同一の符号で示し、その説明は省略または簡略化する。この第２の実施例が第１の実施例と異なる点は、尤度分析部２２において尤度記憶部２１に記憶された時系列のクラス尤度に基づき分析尤度を得る際に、第１の実施例においてはいずれかの時系列のクラス尤度が時間的に連続して所定のしきい値を超えたか否かの判定結果により分析尤度を導出したのに対し、第２の実施例においては、あらかじめ目標の複数の運動パターンに関係づけされたクラス尤度の時系列パターンとその各パターン毎に所定の分析尤度を対応づけて登録したデータベースを設け、このデータベース中から、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンを検索することにより分析尤度を導出するようにした点である。また、あわせて目標の機動運動の有無を判定して目標類別部６２に通知するとともに、目標類別部６２ではこの通知に基づき機動運動なしの場合には、目標の類別情報としてのクラス確率の更新をしないように制御し、更新した場合には更新回数を計数するようにした点である。以下、前出の図１乃至図３、ならびに図６乃至図８を参照して、その相違点のみを説明する。

図６に例示したように、この運動クラス類別装置４は、目標追尾部６１、尤度記憶部２１、尤度分析部２２、及び目標類別部６２に加え、クラス尤度の時系列パターンＤＢ２３を備えている。クラス尤度の時系列パターンＤＢ２３は、あらかじめ目標の複数の運動パターンに関係づけされた、目標追尾部６１の各追尾フィルタからの運動クラスに対するクラス尤度の時系列パターンと、その各パターン毎にあらかじめ設定された所定の分析尤度とを対応づけて登録したデータベースであり、その一例を図７に例示する。

この図７に事例では、異なる運動パラメータ値により特徴づけられた複数の運動パターンをモデル化し、これら運動パターンのそれぞれについて、該当する運動パターンを有する目標が観測された時のクラス尤度の時系列パターンのモデルと、分析尤度とが対応付けされている。すなわち、この事例では、旋回角度、旋回加速度、及び継続時間の３つの運動パラメータ値で特徴づけられた運動パターンとして、急旋回、急上昇、蛇行、の３つの運動パターンを取りあげ、それぞれの運動パターンが観測された時の連続３観測分のクラス尤度の時系列パターンのモデル［Ｍｉ（ｃ、ｋ−２）、Ｍｉ（ｃ、ｋ−１）、Ｍｉ（ｃ、ｋ）］と、目標類別部６２の入力となる分析尤度Ｌ２ｉ（ｃ、ｋ）が対応づけられて登録されている。あわせて、機動運動の有無を判定するための「非機動」の運動パターンも登録されている。

尤度分析部２２は、尤度記憶部２１に記憶された時系列のクラス尤度に基づき分析尤度を得る際にこのクラス尤度の時系列パターンＤＢ２３を検索し、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンに対応づけられたクラス尤度Ｌ２（ｃ、ｋ）を取得して目標類別部６２に送出する。加えて、このクラス尤度の時系列パターンＤＢ２３の検索により、運動パターンが「非機動」に適合した場合には、その旨を機動判定結果として目標類別部６２に通知する。目標類別部６２は、この通知に基づいて、「非機動」の場合にはクラス確率の更新を行なわない。一方、クラス確率を更新した場合にはその回数を計数する。

また、図６に例示した追尾処理装置３は、上述の運動クラス類別装置４、及び追尾情報統合部７０から構成されている。運動クラス類別装置４は、観測ベクトルをフィルタ処理してクラス平滑ベクトルを得るとともに、上述のようにクラス尤度の時系列パターンＤＢを有し、その検索結果による分析尤度を用いてクラス確率を算出し運動クラスの類別を行なう。追尾情報統合部７０は、運動クラス類別装置４からクラス平滑ベクトルをクラス確率により重み付け加算して統合し、統合平滑ベクトルとして出力する。

次に、図８のフローチャートを参照して、本実施例の運動クラス類別装置を含む追尾処理装置の動作について説明する。まず、観測ｋ回目の観測ベクトルＹ（ｋ）が入力されると、第１の実施例と同様に、目標追尾部６１のそれぞれのクラスフィルタ６１１及び６１２により、クラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）、及びクラス尤度Ｌ（ｃ、ｋ）が算出され、算出されたクラス尤度は順次尤度記憶部２１に送られて時系列に記憶される（ＳＴ２０１〜ＳＴ２０４）。

尤度分析部２２では、クラス尤度の時系列パターンＤＢ２３を検索し、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンのモデルを抽出して、そのモデルに対応づけられた運動パターン、及び分析尤度Ｌ２ｉ（ｃ、ｋ）が取得される。最も適合するクラス尤度の時系列パターンのモデルを抽出するには、例えば、図７に例示したようにクラス尤度の時系列パターンのモデルが連続３回の観測でモデル化されている場合には、尤度記憶部２１の記憶内容から、直前のｋ−２回目からｋ回目までの連続する３回の観測によるクラス尤度Ｌ（ｃ、ｋ）を取り出し、これとクラス尤度の時系列パターンＤＢ２３の運動パターン毎の各モデル値との観測回数毎の差の二乗平均の総和の大小で比較する手法等が適用できる。そして、取得した分析尤度Ｌ２（ｃ、ｋ）は、目標類別部６２に送出される（ＳＴ８１）。さらにこの尤度分析部２２における上記の分析によって適合する運動パターンが「非機動」との判定の場合には、機動判定結果としてその旨があわせて目標類別部６２に送出される（ＳＴ８２）。

目標類別部６２では、これら尤度分析部２２からの分析尤度Ｌ２（ｃ、ｋ）に基づいて、クラス確率Ｐ（ｃ、ｋ）が算出されるが、本実施例においては、その算出は、併せて尤度分析部２２から送られてくる機動判定結果により次のように制御される。すなわち、機動判定結果が「非機動」ではない場合には（ＳＴ８３のＮ）、式（５）及び式（６）により低機動運動クラス及び高機動運動クラスのそれぞれのクラス確率が算出され、その値は更新される（ＳＴ２０８）。さらに、値の更新とともに、更新回数がカウントアップされる（ＳＴ８４）。一方、機動判定結果が「非機動」の場合には（ＳＴ８３のＹ）、クラス確率は前回の算出結果のまま更新されない。従って、この場合は低機動運動クラス及び高機動運動クラスのそれぞれのクラス確率は、次式の通りである。このようにして、算出されるそれぞれのクラス確率に対する誤差の累積を低減している。（ＳＴ８５）

この後は、実施例１と同様に更に目標類別部６２において、算出されたクラス確率を用いて観測ベクトルに対する運動クラスの類別が行なわれ（ＳＴ２０９）、追尾情報統合部７０では、目標類別部６２で算出されたクラス確率に基づきそれぞれのクラス平滑ベクトルが重み付けされて統合され、統合平滑ベクトルが算出される（ＳＴ２１０）。そして、動作の終了が指示されるまで、上記したＳＴ２０１からの動作ステップが繰り返される（ＳＴ２１１）。

以上説明したように、本実施例の運動クラス類別装置においては、あらかじめ目標の複数の運動パターンに関係づけされたクラス尤度の時系列パターンとその各パターン毎に所定の分析尤度を対応づけて登録したデータベースを設け、最新の観測におけるクラス尤度を分析して分析尤度を導出する際は、このデータベース中から、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンを検索することにより分析尤度を導出している。あわせて、目標の機動運動の有無を判定し、機動運動なしの場合にはクラス確率を更新しないように制御している。

これにより、第１の実施例と同様に、観測誤差等がクラス尤度に与える影響を低減できるとともに、クラス確率算出時における誤差の累積をより低減することができる。従って、クラス確率の精度が向上するので、目標の運動クラスの類別結果をより確かなものにすることができる。加えて、本実施例では、時系列に記憶したクラス尤度を、第１の実施例のようにしきい値を設けて比較するのではなく、データベース化されたクラス尤度の時系列パターンのモデルと直接照合しているので、第１の実施例に比べて、特に低機動運動クラスに対する検出性能を向上させることができる。さらに、クラス確率を更新した回数を計数しており、この更新回数、あるいは観測回数との比率を算出し後段に出力することにより、目標の運動クラス類別結果に対する付帯情報として後段での処理を支援することができる。

また、本実施例の追尾処理装置においても、このような運動クラス類別装置からのより良好な精度のクラス確率を用いて各クラスフィルタからのクラス平滑ベクトルを統合し、目標の追尾情報としての統合平滑ベクトルを得ているので、その確度を一層向上させることができる。

なお、この発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第１の実施例の構成を示すブロック図。図１に例示した運動クラス類別装置を含む追尾処理装置の動作を説明するためのフローチャート。クラス尤度、分析尤度、及び尤度記憶部２１の記憶内容の関係をモデル化した説明図。目標が機動運動を行なっていない場合の高機動クラスのクラス確率のシミュレーション結果の一例を示す図。目標が高機動運動を行なっている場合の高機動クラスのクラス確率のシミュレーション結果の一例を示す図。本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第２の実施例の構成を示すブロック図。クラス尤度の時系列パターンＤＢ２３の一例をモデル化して示す説明図。図６に例示した運動クラス類別装置を含む追尾処理装置の動作を説明するためのフローチャート。従来の運動クラス類別装置を備えた追尾処理装置の一例を示すブロック図。

符号の説明

１、３、５追尾処理装置
２、４、６運動クラス類別装置
２１尤度記憶部
２２尤度分析部
２３クラス尤度の時系列パターンＤＢ
６１目標追尾部
６２目標類別部
７０追尾情報統合部
６１１、６１２クラスフィルタ

Claims

複数の運動モデルを有する追尾フィルタに対してこれら運動モデルのパラメータ設定範囲の異なるサブセットをそれぞれ異なる運動クラスに対応させ、これら異なる運動クラス毎に設けられた複数の追尾フィルタにより算出されるそれぞれの運動クラスに対する尤度に基づき目標の運動クラスを類別する運動クラス類別装置において、
前記運動クラスに対応させて設けられ、それぞれに目標の観測値に対するフィルタ処理を行なって運動クラスに対する尤度及び平滑ベクトルを含む追尾情報を出力する複数の追尾フィルタと、
これら追尾フィルタからの前記各運動クラスに対する尤度を観測時刻に沿って時系列に記憶する尤度記憶部と、
この尤度記憶部に記憶された時系列の前記各運動クラスに対する尤度に基づき最新の観測時刻における前記各運動クラスに対する尤度を分析し分析尤度として出力する尤度分析部と、
この尤度分析部からの分析尤度に基づき前記目標の運動が前記運動クラスのそれぞれに合致するクラス確率を前記各運動クラス毎に算出するとともに、これらクラス確率に基づき前記目標の運動クラスを類別する目標類別部と
を有することを特徴とする運動クラス類別装置。
前記尤度分析部は前記各運動クラスに対する尤度を分析し出力する際に、前記尤度記憶部の記憶内容を参照し、
いずれかの運動クラスに対する尤度が所定の観測回数連続してあらかじめ設定されたしきい値を超えた場合は前記各追尾フィルタからの運動クラスに対する尤度をそのまま分析尤度として出力し、
それ以外の場合は、あらかじめ設定された値を分析尤度として出力することを特徴とする請求項１に記載の運動クラス類別装置。
さらに、前記各追尾フィルタからの運動クラスに対する尤度の時系列パターンを目標の運動パターンに対応づけて複数パターンにわたりモデル化するとともに、各パターン毎にあらかじめ設定された尤度を対応づけたデータベースを備え、
前記尤度分析部は前記各運動クラスに対する尤度を分析し出力する際に、
前記尤度記憶部の内容と前記データベース内の時系列パターンとを照合し、最も適合した前記時系列パターンに対応付けられた尤度を分析尤度として出力することを特徴とする請求項１に記載の運動クラス類別装置。
前記尤度分析部は、前記尤度記憶部に記憶された尤度の時系列パターンと前記目標の運動パターンのひとつとして前記データベースに登録された非機動運動時における前記尤度の時系列パターンとに基づいて前記目標の機動運動の有無を判定しその結果を前記目標類別部に通知するとともに、
前記目標類別部は、この判定の結果機動運動無しの場合には前記クラス確率を更新を行なわず、機動運動有りの場合には前記クラス確率の更新算出を行なってその更新回数を計数することを特徴とする請求項３に記載の運動クラス類別装置。
前記請求項１乃至請求項４のいずれか１項に記載の運動クラス類別装置に加え、前記複数の追尾フィルタからの平滑ベクトルのそれぞれを前記目標類別部で算出された対応するクラス確率により重み付け加算し、統合平滑ベクトルとして出力する追尾情報統合部を備えたことを特徴とする追尾処理装置。